RESUMO
Analisar os efeitos de dados de secagem em época de safra é primordial para o sucesso do armazenamento, além de manter a qualidade fisiológica das sementes. O objetivo com este trabalho foi avaliar o desempenho de secagem em secadores fixo e móveis através de aprendizado de máquinas. Os dados foram coletados de secadores convectivos, com base em: i) total de secadores trabalhados; ii) tempo de duração de secagem (horas); iii) percentual de umidade na entrada e saída do produto (%); e iv) diferenças de umidade entres ambas (%). Foi utilizado o modelo Filtered Clusterer, baseado na técnica Simple K-Means e filtro Resample, para agrupar dados com base em suas similaridades. Os resultados apresentados demonstram que o sistema de secagem é distinto entre os equipamentos fixo e móvel, com diferenças bem definidas dentro dos sistemas de secagem estabelecidos. O algoritmo juntamente com os filtros demonstrou ser eficiente na classificação não supervisionada, identificando e minimizando similaridade inter-cluster do sistema fixo definindo em classes distintas dentro do conjunto de dados. Conclui-se, que o conjunto de dados dispersos são agrupados de modo que o algoritmo classifica e minimiza similaridade inter-cluster do sistema fixo com alta precisão. Por outro lado, o desempenho da secagem em sistema móvel apresentou baixa eficiência.
Termos para indexação:
Inteligência artificial; agricultura digital; tecnologia de pós-colheita.